对话前图森未来CEO侯晓迪：大模型催快的自动驾驶与搅局的马斯克(3)

侯晓迪：对，你看这不就是运营嘛？这就是无人驾驶的运营问题。如果你落地的时候有问题，你要么是自己去扛这个运营的问题，要么就是找一冤大头让他来扛这个问题。首先冤大头的数量是有限的，哪天冤大头自己发现亏钱了，他也不会继续冤下去了，所以我们不能坑我们的客户，我认为运营一定是要无人驾驶公司自己来担的，这是第一。

第二就是你说这种小的剐蹭问题，其实它更根本反映的是什么呢？在城市交通里面，我们的交通规则是不完善的，再究竟说就是交通规则的权责划分是不完善的。如果你在开车，右边有一个自行车道，然后你想右拐，是不是就应该往自行车道走？这时候谁有责，谁有路权，撞了以后是谁的责任？这件事是不清晰的，而且也不会清晰。因为你面对的是一个人，人们在做审判的时候总是倾向于认为机器应该是完美服从于人的。人可以犯各种错，人可以跟人共情，但人不会跟电脑共情。所以在这个问题上，无人驾驶在一个权责不清的交通环境下，它一定是非常难做的。

那么城区是权责不清最严重的地方，这就是为什么一开始我就做卡车，做了 7 年，我现在还做卡车。卡车其实就不会像在城市交通，尤其是拥堵的城市交通里面会遇到这么多权责不清的情况。我们的经验认为，即使是在最后一公里的状况下，卡车所面临的权责不清的交通场景也是非常非常少的。

《硅谷101》：所以你觉得高速是一个比城市更容易实现无人驾驶的地方？

侯晓迪：对，而且卡车的无人驾驶，我不用去解决这些不可解的问题——既要守交通规则，又要确保乘客的安全和乘客乘坐体验的舒适，同时我还要需要确保周边其他道路交通的参与者的安全，这三个东西放在一起就是不可解问题。

比如机器能否压双黄线这个问题。很多时候如果压双黄线，我就能够比较快速绕过去解决一个问题，但是压双黄线就是违反交通规则了。那如果我遵守交通规则慢慢等着，乘客可能会觉得我太慢了，然后给差评。此外，我还要跟其他不守交通规则的人去竞争，并且出了责任以后，我会遭放到一个非常不利的遭审判的位置上，因为我是电脑，我就应该把事情做完美。这三个东西加起来，无人驾驶就很难了。

但是如果第一我没有乘客，第二我可以牺牲运营的时间和效率去确保我的安全和合规，只要这个矛盾发生的概率足够小，它就能是一个合理的商业模式。

《硅谷101》：因为大模型特别火，你觉得大模型对自动驾驶的技术会有什么帮助吗？

侯晓迪：大模型非常火，但是我觉得绝大部分谈大模型的人根本不懂什么是大模型。我认为大模型不是一种参数越多就越厉害的东西，它是一种具备了迁移能力的模型。在 computer vision 领域，其实很久以前人们就已经发现，当一个模型训练到一定程度以后，它的内蕴表达是具有很高价值的，这个内蕴表达能够以比较低甚至是零成本迁移到另外一个任务上，这就是模型的迁移能力，是它推动了这一波大模型。

在以前没有迁移能力的时候，适应成本是非常高的。当你的系统学会了做一件事儿，想用它做第二件事时，需要把原来做好的系统再放到一个看起来相似但不完全相同的场景下，成本非常高。那么现在这种迁移成本变得越来越低。

迁移成本，也就是落地成本的降低，使得很多事情变得可做了，我觉得这就是人工智能这一次给大家带来的比较大的启示。但是我想说这不是一朝一夕的事情，其实在 deep learning 2012年遭提出以后， 我们每几年就能发现迁移能力、泛化能力在不断提升。我作为一个从业者，看到的是一个渐变的过程，它不是一个突变的过程。

如果咱们做个科技考古，真正出圈的事情是ChatGPT，但是GPT 1、GPT 2的大模型从根本上跟 GPT 3 或者 ChatGPT 背后的GPT 3.5，能力差距到底有那么大吗？我觉得其实没有。从学术角度来看，它是一个很连续的过程，但是ChatGPT出圈恰恰是因为它把问答这件事做好了，能让一个普通老百姓感受到语言模型的威力。

而讽刺的是问答这件事做好，背后的技术能力中我觉得最重要的是 RLHF（Reinforcement Learning with Human Feedback ） 这个技术，这个技术的卖点恰恰是说我可以用 1% 的参数量就能达到一个跟之前更大的模型一样的效果。所以这件事儿其实反倒不是大模型给你带来的优势，而是说我可以提升学习的效率，使得我的模型能达到更好的效果。